本申请涉及电子设备技术领域，具体涉及一种握持识别方法、装置、存储介质及电子设备。
背景技术：
目前，如平板电脑、手机等电子设备可以通过分析自身是否处于握持状态，来对运行参数进行动态调整，由此来提升用户体验。相关技术中，需要在电子设备的侧边或者背面设置握持传感器，并通过设置的握持传感器来判断自身是否处于握持状态。但是，由于这种握持状态的识别方式需要额外的握持传感器来实现，增加了电子设备的硬件成本。
技术实现要素：
本申请实施例提供了一种握持识别方法、装置、存储介质及电子设备，能够降低电子设备进行握持状态识别的硬件成本。
第一方面，本申请实施例了提供了的一种握持识别方法，包括：
获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集；
获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集；
根据所述正样本集以及所述负样本集进行模型训练，得到握持识别模型；
获取当前状态的运动数据，并根据所述握持识别模型对所述运动数据进行识别，得到对应所述当前状态的识别结果，所述识别结果包括所述当前状态为握持状态或所述当前状态为非握持状态。
第二方面，本申请实施例了提供了的一种握持识别装置，包括：
第一获取模块，用于获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集；
第二获取模块，用于获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集；
训练模块，用于根据所述正样本集以及所述负样本集，对预设神经网络进行训练，得到握持识别模型；
识别模块，用于获取当前状态的运动数据，并根据所述握持识别模型对所述运动数据进行识别，得到对应所述运动数据的识别结果，所述识别结果包括所述当前状态为握持状态或所述当前状态为非握持状态。
第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的握持识别方法。
第四方面，本申请实施例提供的电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的握持识别方法。
本申请实施例获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集。获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集。根据正样本集以及负样本集进行模型训练，得到握持识别模型。获取当前状态的运动数据，并根据训练得到握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。本方案中，由于无需设置额外的握持传感器即可实现握持状态的识别，能够降低电子设备进行握持状态识别的硬件成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的握持识别方法的一流程示意图。
图2是本申请实施例中正样本采集界面的示例图。
图3是本申请实施例中负样本采集界面的示例图。
图4是本申请实施例提供的握持识别方法的另一流程示意图。
图5是本申请实施例提供的握持识别装置的一结构示意图。
图6是本申请实施例提供的电子设备的一结构示意图。
图7是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语“模块”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种握持识别方法，该握持识别方法的执行主体可以是本申请实施例提供的握持识别装置，或者集成了该握持识别装置的电子设备，其中该握持识别装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
请参照图1，图1为本申请实施例提供的握持识别方法的流程示意图。如图1所示，本申请实施例提供的握持识别方法的流程可以如下：
在步骤101中，获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集。
需要说明的是，作为一种用于测量加速度值的传感器，加速度传感器通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等不同部分组成。在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获得加速度值。根据敏感元件的不同，加速度传感器可以包括压电式加速度传感器、压阻式加速度传感器、电容式加速度传感器以及伺服式加速度传感器等。
其中，由于，电容式加速度传感器具有电路结构简单、灵敏度高、输出稳定、温度漂移小、测量误差小、输出阻抗低以及输出电量与振动加速度的关系式简单方便易于计算等特点，通常被设置于电子设备中，用于对电子设备的功能进行拓展。
比如，电子设备在播放歌曲时，可以通过设置的加速度传感器来判断是否接收到了“摇一摇操作”，并在接收到摇一摇操作时，对播放的歌曲进行切换；又比如，电子设备还可以通过设置的加速度传感器来进行“步数统计”等。
本申请实施例中，电子设备可以通过设置的加速度传感器来进行加速度数据的采集，并将被握持时采集的加速度数据作为被握持时的正样本运动数据。
请参照图2，一方面，电子设备提供有正样本采集界面，该正样本采集界面包括第一“开始采集”控件，以及用于提示测试人员握持电子设备的提示信息“请握持电子设备”，测试人员可根据自身使用习惯握持电子设备(如图2所示的右手握持电子设备)，并在握持电子设备时，通过点击第一“开始采集”控件来触发电子设备进行加速度数据的采集(如通过图2所示的右手大拇指来点击“开始采集”控件)，之后，即可自由使用握持的电子设备。另一方面，电子设备在侦测到第一“开始采集”控件被点击时，确定自身处于握持状态，通过内置的加速度传感器采集第一预设时长(可由本领域技术人员根据实际需要配置合适时长，比如，可以配置为5秒)的加速度数据，并将采集到的该第一预设时长的加速度数据作为被握持时的一个正样本运动数据。
需要说明的是，本申请实施例中，电子设备在获取握持时的正样本运动数据时，可以获取被同一测试人员握持时的多个正样本运动数据，也可以获取被不同测试人员握持时的多个正样本运动数据。比如，电子设备可以通过内置的加速度传感器采集被100名测试人员握持时的加速度数据，得到100个正样本运动数据。
在获取到被握持时的多个正样本运动数据之后，即可根据这些正样本运动数据构建用于握持状态识别的正样本集，这样得到的正样本集中将包括电子设备被握持时获取到的多个正样本运动数据。
在步骤102中，获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集。
本申请实施例中，电子设备通过设置的加速度传感器来采集未被握持时的加速度数据，并将未被握持时采集的加速度数据作为未被握持时的负样本运动数据。
请参照图3，一方面，电子设备提供有负样本采集界面，该负样本采集界面包括第二“开始采集”控件，以及用于提示测试人员放置电子设备的提示信息“请放置电子设备”，测试人员可以按照多种不同的放置方式(比如，将电子设备放置在稳定的桌面，将电子设备放置在车辆的电子设备固定装置中等)来放置电子设备，并在放置完成电子设备时，通过点击第二“开始采集”控件来触发电子设备进行加速度数据的采集。另一方面，电子设备在侦测到第二“开始采集”控件被点击时，确定自身处于放置状态(或者说非握持状态)，通过内置的加速度传感器采集第二预设时长(可由本领域技术人员根据实际需要配置合适时长，可以配置为与第一预设时长相同，也可以配置为与第一预设时长不同)的加速度数据，并将采集到的该第二预设时长的加速度数据作为未被握持时的一个负样本运动数据。
在获取到未被握持时的多个负样本运动数据之后，即可根据这些负样本运动数据构建用于握持状态识别的负样本集，这样得到的负样本集中将包括电子设备未被握持时获取到的多个负样本运动数据。
在步骤103中，根据正样本集以及负样本集进行模型训练，得到握持识别模型。
本申请实施例中，电子设备在构建正样本集以及负样本集之后，按照预设训练算法进行模型训练，得到握持识别模型。
需要说明的是，训练算法为机器学习算法，机器学习算法可以通过不断特征学习来对数据进行识别，比如，电子设备可以根据实时采集的运动数据来识别当前是否处于握持状态。其中，机器学习算法可以包括：决策树算法、逻辑回归算法、贝叶斯算法、神经网络算法(可以包括深度神经网络算法、卷积神经网络算法以及递归神经网络算法等)、聚类算法等等。
机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。
在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立识别模型的时候，监督式学习建立一个学习过程，将场景类型信息与“训练数据”的实际结果进行比较，不断的调整识别模型，直到模型的场景类型信息达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(logisticregression)和反向传递神经网络(backpropagationneuralnetwork)。
在非监督式学习中，数据并不被特别标识，识别模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括apriori算法以及k-means算法等。
半监督式学习算法，在此学习方式下，输入数据被部分标识，这种学习模型可以用来进行类型识别，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法(graphinference)或者拉普拉斯支持向量机(laplaciansvm)等。
强化学习算法，在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括q-learning以及时间差学习(temporaldifferencelearning)。
此外，还可以基于根据算法的功能和形式的类似性将机器学习算法划分成：
回归算法，常见的回归算法包括：最小二乘法(ordinaryleastsquare)，逻辑回归(logisticregression)，逐步式回归(stepwiseregression)，多元自适应回归样条(multivariateadaptiveregressionsplines)以及本地散点平滑估计(locallyestimatedscatterplotsmoothing)。
基于实例的算法，包括k-nearestneighbor(knn),学习矢量量化(learningvectorquantization，lvq)，以及自组织映射算法(self-organizingmap，som)。
正则化方法，常见的算法包括：ridgeregression，leastabsoluteshrinkageandselectionoperator(lasso)，以及弹性网络(elasticnet)。
决策树算法，常见的算法包括：分类及回归树(classificationandregressiontree，cart)，id3(iterativedichotomiser3)，c4.5，chi-squaredautomaticinteractiondetection(chaid),decisionstump,随机森林(randomforest)，多元自适应回归样条(mars)以及梯度推进机(gradientboostingmachine，gbm)。
贝叶斯方法算法，包括：朴素贝叶斯算法，平均单依赖估计(averagedone-dependenceestimators，aode)，以及bayesianbeliefnetwork(bbn)。
例如，特征类型对应的识别模型类型包括：监督式学习算法、非监控式学习算法、半监督式学习算法；此时，可以从识别模型集合中选取逻辑回归(logisticregression)模型、k-means算法、图论推理算法等等属于该识别模型类型的算法。
又例如，特征类型对应的识别模型类型包括：回归算法模型、决策树算法模型；此时，可以从模型集合中选取逻辑回归(logisticregression)模型、分类及回归树模型等等属于该识别模型类型的算法。
本申请实施例中，对于选取何种训练算法用作预设训练算法进行模型训练，可由本领域技术人员根据实际需要进行选取，比如，本申请实施例可以选取深度神经网络算法来进行模型训练，以得到握持识别模型。
形象的说，可以将深度神经网络想象成一个小孩子，你带小孩去公园。公园里有很多人在遛狗。你告诉小孩这个动物是狗，那个也是狗。但突然一只猫跑过来，你告诉他，这个是猫。久而久之，小孩就会产生认知模式。这个学习过程，就叫“训练”。所形成的认知模式，就是“模型”。本申请实施例中，通过根据正样本集以及负样本集进行模型训练，来得到握持识别模型。
在步骤104中，获取当前状态的运动数据，并根据握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。
本申请实施例中，在训练得到握持识别模型之后，即可利用训练得到的握持识别模型来对电子设备的当前状态进行识别。
首先，电子设备对当前状态的运动数据进行获取。其中，电子设备通过设置的加速度传感器来采集当前状态的加速度数据，并将采集到的加速度数据作为当前状态的运动数据。比如，电子设备可以通过设置的加速度传感器实时采集当前状态第三预设时长(可由本领域技术人员根据实际需要配置合适时长，可以配置为与第一预设时长相同，也可以配置为与第一预设时长不同)的加速度数据，并将采集到的该第三预设时长的加速度数据作为当前状态的运动数据。
在获取到当前状态的运动数据之后，即可将获取到的该运动数据输入到握持识别模型中进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。
由上可知，本申请实施例获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集。获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集。根据正样本集以及负样本集进行模型训练，得到握持识别模型。获取当前状态的运动数据，并根据训练得到握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。本方案中，由于无需设置额外的握持传感器即可实现握持状态的识别，能够降低电子设备进行握持状态识别的硬件成本。
在一实施例中，获取被握持时的正样本运动数据，包括：
获取被不同年龄段的用户握持时的正样本运动数据。
本申请实施例中，根据预先设定的年龄跨度，划分得到多个年龄段，比如，按照年龄跨度为5岁划分的年龄段为：6岁至10岁、11岁至15岁、16岁至20岁、21岁至25岁、26岁至30岁等等。
在获取正样本运动数据时，比如，共划分了10个年龄段，可在每个年龄段选取10名用户作为测试人员，电子设备将获取到这100个不同测试人员(即用户)握持时的正样本运动数据。
在一实施例中，构建用于握持状态识别的正样本集，包括：
将被握持时的正样本运动数据拆分为多个子正样本运动数据；
根据拆分得到的多个子正样本运动数据，构建用于握持状态识别的正样本集。
本申请实施例中，在构建用于握持状态识别的正样本集时，电子设备首先将被握持时的正样本运动数据拆分为多个子正样本运动数据，其中，拆分得到的子正样本运动数据的长度可以相同，也可以不同。
比如，可以设置子正样本运动数据的长度为200毫秒，假设获取到正样本运动数据的长度为20秒，则在对该正样本运动数据进行拆分处理时，可将正样本运动数据拆分为100个长度为200毫秒的子正样本运动数据。
在获取到被握持时的多个正样本运动数据之后，可分别对这些正样本运动数据进行拆分处理，得到多个子正样本运动数据，根据这些子正样本运动数据构建用于握持状态识别的正样本集，这样得到的正样本集中将包括由正样本运动数据所拆分得到的子正样本运动数据。
本申请实施例中，通过对正样本运动数据进行拆分处理，可以避免正样本运动数据中随机出现的突变所带来的影响，能够使得构建的正样本集更准确的反映其所对应的、电子设备在被握持时的状态。
在一实施例中，构建用于握持状态识别的负样本集，包括：
将未被握持时的负样本运动数据拆分为多个子负样本运动数据；
根据拆分得到的多个子负样本运动数据，构建用于握持状态识别的负样本集。
其中，拆分得到的子负样本运动数据的长度可以相同，也可以不同。
此外，在一实施例中，子正样本运动数据和子负样本运动数据的长度相同。
在一实施例中，根据握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，包括：
将当前状态的运动数据拆分为多个子运动数据；
根据握持识别模型分别对拆分得到的各子运动数据进行识别，得到各子运动数据的识别结果；
根据各子运动数据的识别结果，确定对应当前状态的识别结果。
本申请实施例中，在对当前状态的运动数据进行识别时，同样对当前状态的运动数据进行拆分处理，由此来得到多个子运动数据。其中，对当前状态的运动数据进行的拆分处理，可以参照以上对被握持时的样本运动数据进行拆分处理的方案相应实施。
比如，可以设置子运动数据的长度为200毫秒，假设获取到当前状态的运动数据的长度为20秒，则在对当前状态的运动数据进行拆分处理时，可将当前状态的运动数据拆分为100个长度为200毫秒的子运动数据。
在将当前状态的运动数据拆分为多个子运动数据之后，根据训练得到的握持识别模型，分别对拆分得到的各个子运动数据进行识别，得到各子运动数据的识别结果。
之后，即可根据各子运动数据的识别结果，确定对应当前状态的识别结果。
其中，在根据各子运动数据的识别结果，确定对应当前状态的识别结果时，可以判断各子运动数据的识别结果、相同识别结果占全部识别结果的比例是否达到预设比例，若达到，则可将该相同识别结果确定为对于当前状态的识别结果。需要说明的是，对于预设比例的具体取值，本申请实施例不做具体设置，可由本领域技术人员根据实际需要进行设置，比如，本申请实施例中将预设比例设置为90％。
比如，对当前状态的运动数据进行拆分处理，共得到100个子运动数据，根据训练得到的握持识别模型，分别对100个子运动数据进行识别，得到100个识别结果，若这100个场景类型信息中有90个以上的识别结果相同，均为“当前状态为握持状态”，此时可确定对于当前状态的识别结果为“当前状态为握持状态”。
在一实施例中，根据正样本集以及负样本集进行模型训练，得到握持识别模型，包括：
根据正样本集以及负样本集，按照不同的训练算法进行模型训练，得到多个候选识别模型；
从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型。
本申请实施例中，可以进一步对正样本集以及负样本集进行划分，得到训练集和验证集，其中，训练集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，验证集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，且训练集和验证集中的正/负样本运动数据互不重叠。
在进行模型训练时，可以利用训练集，按照不同的训练算法进行模型训练；利用验证集验证每一种训练算法是否可以停止训练，由此得到多个候选识别模型。
在训练得到多个候选识别模型之后，即可从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型。其中，对于按照何种方式选取作为握持识别模型的候选识别模型，本申请实施例不做具体限制，比如，可以按照随机选取的方式，从训练得到的多个候选识别模型中，随机选取一个候选识别模型作为握持识别模型。
在一实施例中，为提升握持状态识别的准确性，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型，包括：
获取各候选识别模型的识别成功率；
选取各候选识别模型中识别成功率最高的候选识别模型，作为握持识别模型。
本申请实施例中，可以进一步对正样本集以及负样本集进行划分，得到训练集、验证集和测试集，其中，训练集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，验证集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，测试集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，且训练集、验证集和测试集中的正/负样本运动数据均不重叠。
在进行模型训练时，可以利用训练集，按照不同的训练算法进行模型训练；利用验证集验证每一种训练算法是否可以停止训练，由此得到多个候选识别模型。
在训练得到多个候选识别模型之后，即可根据测试集对各候选识别模型进行测试，得到各候选识别模型的识别成功率，从而从训练得到的各候选识别模型中，选取识别成功率最高的候选识别模型作为握持识别模型。
比如，采用5种不同的训练算法训练得到5个候选识别模型，分别为候选识别模型a、候选识别模型b、候选识别模型c、候选识别模型d以及候选识别模型e，使用s1表示候选识别模型a的识别成功率，使用s2表示候选识别模型b的识别成功率，使用s3表示候选识别模型c的识别成功率，使用s4表示候选识别模型d的识别成功率，使用s5表示候选识别模型e的识别成功率，若s3>s2>s5>s1>s4，则可选取候选识别模型c作为握持识别模型。
在一实施例中，为提升握持状态的识别效率，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型，包括：
获取各候选识别模型的识别时长；
选取各候选识别模型中识别时长最短的候选识别模型，作为握持识别模型。
本申请实施例中，按照以上实施例的划分方式，同样将正样本集合负样本集，训练集、验证集和测试集。
在同样训练得到多个候选识别模型之后，可根据测试集对各候选识别模型进行测试。以获取某候选识别模型的识别时长为例，分别将测试集中的正/负样本运动数据输入到该候选识别模型中，同时开始计时，并在该候选识别模型输出识别结果时，停止计时，由此得到对应多个样本运动数据的多个识别时长，之后，计算多个识别时长的平均识别时长，将平均识别时长作为该候选识别模型的识别时长。
按照以上方式可以获取到训练得到的各候选识别模型的识别时长，从而从训练得到的各候选识别模型中，选取识别时长最短的候选识别模型，作为握持识别模型。
比如，采用5种不同的训练算法训练得到5个候选识别模型，分别为候选识别模型a、候选识别模型b、候选识别模型c、候选识别模型d以及候选识别模型e，使用s1表示候选识别模型a的识别时长，使用s2表示候选识别模型b的识别时长，使用s3表示候选识别模型c的识别时长，使用s4表示候选识别模型d的识别时长，使用s5表示候选识别模型e的识别时长，若s3>s2>s5>s1>s4，则可选取候选识别模型d作为握持识别模型。
在一实施例中，还可以对识别效率和识别准确性进行平衡，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型，包括：
获取各候选识别模型的识别成功率以及识别时长；
选取各候选识别模型中识别成功率达到预设成功率、且识别时长最短的候选识别模型作为握持识别模型。
其中，对于识别成功率以及识别时长的获取方式，可以参照以上实施例相应实施，此处不再赘述。
此外，本申请实施例对于预设成功率的取值不做具体限制，可由本领域技术人员根据实际需要进行选取，比如，可以将预设成功率配置为90％。
下面将在上述实施例描述的方法基础上，对本申请的握持识别方法做进一步介绍。请参照图4，该握持识别方法可以包括：
在步骤201中，获取被不同年龄段的用户握持时的正样本运动数据，并将正样本运动数据拆分为多个子正样本运动数据，构建用于握持状态识别的正样本集。
需要说明的是，作为一种用于测量加速度值的传感器，加速度传感器通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等不同部分组成。在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获得加速度值。根据敏感元件的不同，加速度传感器可以包括压电式加速度传感器、压阻式加速度传感器、电容式加速度传感器以及伺服式加速度传感器等。
其中，由于，电容式加速度传感器具有电路结构简单、灵敏度高、输出稳定、温度漂移小、测量误差小、输出阻抗低以及输出电量与振动加速度的关系式简单方便易于计算等特点，通常被设置于电子设备中，用于对电子设备的功能进行拓展。
比如，电子设备在播放歌曲时，可以通过设置的加速度传感器来判断是否接收到了“摇一摇操作”，并在接收到摇一摇操作时，对播放的歌曲进行切换；又比如，电子设备还可以通过设置的加速度传感器来进行“步数统计”等。
本申请实施例中，电子设备可以通过设置的加速度传感器来进行加速度数据的采集，并将被握持时采集的加速度数据作为被握持时的正样本运动数据。
请参照图2，一方面，电子设备提供有正样本采集界面，该正样本采集界面包括第一“开始采集”控件，以及用于提示测试人员握持电子设备的提示信息“请握持电子设备”，测试人员可根据自身使用习惯握持电子设备(如图2所示的右手握持电子设备)，并在握持电子设备时，通过点击第一“开始采集”控件来触发电子设备进行加速度数据的采集(如通过图2所示的右手大拇指来点击“开始采集”控件)，之后，即可自由使用握持的电子设备。另一方面，电子设备在侦测到第一“开始采集”控件被点击时，确定自身处于握持状态，通过内置的加速度传感器采集第一预设时长(可由本领域技术人员根据实际需要配置合适时长，比如，可以配置为5秒)的加速度数据，并将采集到的该第一预设时长的加速度数据作为被握持时的一个正样本运动数据。
其中，根据预先设定的年龄跨度，划分得到多个年龄段，比如，按照年龄跨度为5岁划分的年龄段为：6岁至10岁、11岁至15岁、16岁至20岁、21岁至25岁、26岁至30岁等等。
在获取正样本运动数据时，比如，共划分了10个年龄段，可在每个年龄段选取10名用户作为测试人员，电子设备将获取到这100个不同测试人员(即用户)握持时的正样本运动数据。
在获取到被握持时的多个正样本运动数据之后，可分别对这些正样本运动数据进行拆分处理，得到多个子正样本运动数据，根据这些子正样本运动数据构建用于握持状态识别的正样本集，这样得到的正样本集中将包括由正样本运动数据所拆分得到的子正样本运动数据。
其中，拆分得到的子正样本运动数据的长度可以相同，也可以不同。
比如，可以设置子正样本运动数据的长度为200毫秒，假设获取到正样本运动数据的长度为20秒，则在对该正样本运动数据进行拆分处理时，可将正样本运动数据拆分为100个长度为200毫秒的子正样本运动数据。
在步骤202中，获取未被握持时的负样本运动数据，并将负样本运动数据拆分为多个子负样本运动数据，构建用于握持状态识别的负样本集。
本申请实施例中，电子设备通过设置的加速度传感器来采集未被握持时的加速度数据，并将未被握持时采集的加速度数据作为未被握持时的负样本运动数据。
请参照图3，一方面，电子设备提供有负样本采集界面，该负样本采集界面包括第二“开始采集”控件，以及用于提示测试人员放置电子设备的提示信息“请放置电子设备”，测试人员可以按照多种不同的放置方式(比如，将电子设备放置在稳定的桌面，将电子设备放置在车辆的电子设备固定装置中等)来放置电子设备，并在放置完成电子设备时，通过点击第二“开始采集”控件来触发电子设备进行加速度数据的采集。另一方面，电子设备在侦测到第二“开始采集”控件被点击时，确定自身处于放置状态(或者说非握持状态)，通过内置的加速度传感器采集第二预设时长(可由本领域技术人员根据实际需要配置合适时长，可以配置为与第一预设时长相同，也可以配置为与第一预设时长不同)的加速度数据，并将采集到的该第二预设时长的加速度数据作为未被握持时的一个负样本运动数据。
在获取到未被握持时的多个负样本运动数据之后，即可根据这些负样本运动数据构建用于握持状态识别的负样本集。
在构建用于握持状态识别的负样本集时，首先将未被握持时的负样本运动数据拆分为多个子负样本运动数据，然后根据拆分得到的多个子负样本运动数据，构建用于握持状态识别的负样本集，这样得到的负样本集中将包括由负样本运动数据所拆分得到的子负样本运动数据。
其中，拆分得到的子负样本运动数据的长度可以相同，也可以不同。
此外，在一实施例中，子正样本运动数据和子负样本运动数据的长度相同
在步骤203中，根据正样本集以及负样本集，按照不同的训练算法进行模型训练，得到多个候选识别模型。
需要说明的是，训练算法为机器学习算法，机器学习算法可以通过不断特征学习来对数据进行识别，比如，电子设备可以根据实时采集的运动数据来识别当前是否处于握持状态。其中，机器学习算法可以包括：决策树算法、逻辑回归算法、贝叶斯算法、神经网络算法(可以包括深度神经网络算法、卷积神经网络算法以及递归神经网络算法等)、聚类算法等等。
本申请实施例中，进一步对正样本集以及负样本集进行划分，得到训练集和验证集，其中，训练集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，验证集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，且训练集和验证集中的正/负样本运动数据互不重叠。
在进行模型训练时，可以利用训练集，按照不同的训练算法进行模型训练；利用验证集验证每一种训练算法是否可以停止训练，由此得到多个候选识别模型。
在步骤204中，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型。
在训练得到多个候选识别模型之后，即可从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型。其中，对于按照何种方式选取作为握持识别模型的候选识别模型，本申请实施例不做具体限制，比如，可以按照随机选取的方式，从训练得到的多个候选识别模型中，随机选取一个候选识别模型作为握持识别模型。
在一实施例中，为提升握持状态识别的准确性，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型，包括：
获取各候选识别模型的识别成功率；
选取各候选识别模型中识别成功率最高的候选识别模型，作为握持识别模型。
本申请实施例中，可以进一步对正样本集以及负样本集进行划分，得到训练集、验证集和测试集，其中，训练集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，验证集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，测试集同时包括正样本集中的正样本运动数据和负样本集中的负样本运动数据，且训练集、验证集和测试集中的正/负样本运动数据均不重叠。
在进行模型训练时，可以利用训练集，按照不同的训练算法进行模型训练；利用验证集验证每一种训练算法是否可以停止训练，由此得到多个候选识别模型。
在训练得到多个候选识别模型之后，即可根据测试集对各候选识别模型进行测试，得到各候选识别模型的识别成功率，从而从训练得到的各候选识别模型中，选取识别成功率最高的候选识别模型作为握持识别模型。
比如，采用5种不同的训练算法训练得到5个候选识别模型，分别为候选识别模型a、候选识别模型b、候选识别模型c、候选识别模型d以及候选识别模型e，使用s1表示候选识别模型a的识别成功率，使用s2表示候选识别模型b的识别成功率，使用s3表示候选识别模型c的识别成功率，使用s4表示候选识别模型d的识别成功率，使用s5表示候选识别模型e的识别成功率，若s3>s2>s5>s1>s4，则可选取候选识别模型c作为握持识别模型。
在一实施例中，为提升握持状态的识别效率，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型，包括：
获取各候选识别模型的识别时长；
选取各候选识别模型中识别时长最短的候选识别模型，作为握持识别模型。
本申请实施例中，按照以上实施例的划分方式，同样将正样本集合负样本集，训练集、验证集和测试集。
在同样训练得到多个候选识别模型之后，可根据测试集对各候选识别模型进行测试。以获取某候选识别模型的识别时长为例，分别将测试集中的正/负样本运动数据输入到该候选识别模型中，同时开始计时，并在该候选识别模型输出识别结果时，停止计时，由此得到对应多个样本运动数据的多个识别时长，之后，计算多个识别时长的平均识别时长，将平均识别时长作为该候选识别模型的识别时长。
按照以上方式可以获取到训练得到的各候选识别模型的识别时长，从而从训练得到的各候选识别模型中，选取识别时长最短的候选识别模型，作为握持识别模型。
比如，采用5种不同的训练算法训练得到5个候选识别模型，分别为候选识别模型a、候选识别模型b、候选识别模型c、候选识别模型d以及候选识别模型e，使用s1表示候选识别模型a的识别时长，使用s2表示候选识别模型b的识别时长，使用s3表示候选识别模型c的识别时长，使用s4表示候选识别模型d的识别时长，使用s5表示候选识别模型e的识别时长，若s3>s2>s5>s1>s4，则可选取候选识别模型d作为握持识别模型。
在一实施例中，还可以对识别效率和识别准确性进行平衡，从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型，包括：
获取各候选识别模型的识别成功率以及识别时长；
选取各候选识别模型中识别成功率达到预设成功率、且识别时长最短的候选识别模型作为握持识别模型。
其中，对于识别成功率以及识别时长的获取方式，可以参照以上实施例相应实施，此处不再赘述。
此外，本申请实施例对于预设成功率的取值不做具体限制，可由本领域技术人员根据实际需要进行选取，比如，可以将预设成功率配置为90％。
在步骤205中，获取当前状态的运动数据，并将获取到的运动数据拆分为多个子运动数据。
本申请实施例中，在训练得到握持识别模型之后，即可利用训练得到的握持识别模型来对电子设备的当前状态进行识别。
首先，电子设备对当前状态的运动数据进行获取。其中，电子设备通过设置的加速度传感器来采集当前状态的加速度数据，并将采集到的加速度数据作为当前状态的运动数据。比如，电子设备可以通过设置的加速度传感器实时采集当前状态第三预设时长(可由本领域技术人员根据实际需要配置合适时长，可以配置为与第一预设时长相同，也可以配置为与第一预设时长不同)的加速度数据，并将采集到的该第三预设时长的加速度数据作为当前状态的运动数据。
在获取到当前状态的运动数据之后，对当前状态的运动数据进行拆分处理，由此来得到多个子运动数据。其中，对当前状态的运动数据进行的拆分处理，可以参照以上对被握持时的正样本运动数据进行拆分处理的方案相应实施。
比如，可以设置子运动数据的长度为200毫秒，假设获取到当前状态的运动数据的长度为20秒，则在对当前状态的运动数据进行拆分处理时，可将当前状态的运动数据拆分为100个长度为200毫秒的子运动数据。
在步骤206中，根据握持识别模型分别对各子运动数据进行识别，得到各子运动数据的识别结果。
其中，在将当前状态的运动数据拆分为多个子运动数据之后，根据训练得到的握持识别模型，分别对拆分得到的各个子运动数据进行识别，得到各子运动数据的识别结果。
在步骤207中，根据各子运动数据的识别结果，确定对应当前状态的识别结果。
在识别得到各子运动数据的识别结果之后，即可根据各子运动数据的识别结果，确定对应当前状态的识别结果。
其中，在根据各子运动数据的识别结果，确定对应当前状态的识别结果时，可以判断各子运动数据的识别结果、相同识别结果占全部识别结果的比例是否达到预设比例，若达到，则可将该相同识别结果确定为对于当前状态的识别结果。需要说明的是，对于预设比例的具体取值，本申请实施例不做具体设置，可由本领域技术人员根据实际需要进行设置，比如，本申请实施例中将预设比例设置为90％。
比如，对当前状态的运动数据进行拆分处理，共得到100个子运动数据，根据训练得到的握持识别模型，分别对100个子运动数据进行识别，得到100个识别结果，若这100个场景类型信息中有90个以上的识别结果相同，均为“当前状态为握持状态”，此时可确定对于当前状态的识别结果为“当前状态为握持状态”。
在一实施例中，还提供了一种握持识别装置。请参照图5，图5为本申请实施例提供的握持识别装置400的结构示意图。其中该握持识别装置应用于电子设备，该握持识别装置包括第一获取模块401、第二获取模块402、训练模块403和识别模块404，如下：
第一获取模块401，用于获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集。
第二获取模块402，用于获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集。
训练模块403，用于根据正样本集以及负样本集进行模型训练，得到握持识别模型。
识别模块404，用于获取当前状态的运动数据，并根据握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。
在一实施例中，第一获取模块401，可以用于：
获取被不同年龄段的用户握持时的正样本运动数据。
在一实施例中，第一获取模块401，可以用于：
将被握持时的正样本运动数据拆分为多个子正样本运动数据；
根据拆分得到的多个子正样本运动数据，构建用于握持状态识别的正样本集。
第二获取模块402，可以用于：
将未被握持时的负样本运动数据拆分为多个子负样本运动数据；
根据拆分得到的多个子负样本运动数据，构建用于握持状态识别的负样本集。
在一实施例中，识别模块404，可以用于：
将当前状态的运动数据拆分为多个子运动数据；
根据握持识别模型分别对拆分得到的各子运动数据进行识别，得到各子运动数据的识别结果；
根据各子运动数据的识别结果，确定对应当前状态的识别结果。
在一实施例中，训练模块403，可以用于：
根据正样本集以及负样本集，按照不同的训练算法进行模型训练，得到多个候选识别模型；
从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型。
在一实施例中，训练模块403，还可以用于：
获取各候选识别模型的识别成功率；
选取各候选识别模型中识别成功率最高的候选识别模型，作为握持识别模型。
在一实施例中，训练模块403，还可以用于：
获取各候选识别模型的识别时长；
选取各候选识别模型中识别时长最短的候选识别模型，作为握持识别模型。
其中，握持识别装置400中各模块执行的步骤可以参考上述方法实施例描述的方法步骤。该握持识别装置400可以集成在电子设备中，如手机、平板电脑等。
具体实施时，以上各个模块可以作为独立的实体实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单位的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本实施例握持识别装置可以由第一获取模块401获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集；由第二获取模块402获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集；由训练模块403根据正样本集以及负样本集进行模型训练，得到握持识别模型；由识别模块404获取当前状态的运动数据，并根据训练得到握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。本方案中，由于无需设置额外的握持传感器即可实现握持状态的识别，能够降低电子设备进行握持状态识别的硬件成本。
在一实施例中，还提供一种电子设备。请参照图6，电子设备500包括处理器501以及存储器502。其中，处理器501与存储器502电性连接。
处理器500是电子设备500的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器502内的计算机程序，以及调用存储在存储器502内的数据，执行电子设备500的各种功能并处理数据。
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
在本申请实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器502中，并由处理器501运行存储在存储器502中的计算机程序，从而实现各种功能，如下：
获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集；
获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集；
根据正样本集以及负样本集进行模型训练，得到握持识别模型；
获取当前状态的运动数据，并根据训练得到握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。
请一并参阅图7，在某些实施方式中，电子设备500还可以包括：显示器503、射频电路504、音频电路505以及电源506。其中，其中，显示器503、射频电路504、音频电路505以及电源506分别与处理器501电性连接。
显示器503可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器503可以包括显示面板，在某些实施方式中，可以采用液晶显示器(liquidcrystaldisplay，lcd)、或者有机发光二极管(organiclight-emittingdiode，oled)等形式来配置显示面板。
射频电路504可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
音频电路505可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
电源506可以用于给电子设备500的各个部件供电。在一些实施例中，电源506可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图7中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。
在某些实施方式中，在获取被握持时的正样本运动数据时，处理器501可以执行以下步骤：
获取被不同年龄段的用户握持时的正样本运动数据。
在某些实施方式中，在构建用于握持状态识别的正样本集时，处理器501可以执行以下步骤：
将被握持时的正样本运动数据拆分为多个子正样本运动数据；
根据拆分得到的多个子正样本运动数据，构建用于握持状态识别的正样本集。
在某些实施方式中，在构建用于握持状态识别的负样本集时，处理器501可以执行以下步骤：
将未被握持时的负样本运动数据拆分为多个子负样本运动数据；
根据拆分得到的多个子负样本运动数据，构建用于握持状态识别的负样本集。
在某些实施方式中，在根据握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果时，处理器501可以执行以下步骤：
将当前状态的运动数据拆分为多个子运动数据；
根据握持识别模型分别对拆分得到的各子运动数据进行识别，得到各子运动数据的识别结果；
根据各子运动数据的识别结果，确定对应当前状态的识别结果。
在某些实施方式中，在根据正样本集以及负样本集进行模型训练，得到握持识别模型时，处理器501还可以执行以下步骤：
根据正样本集以及负样本集，按照不同的训练算法进行模型训练，得到多个候选识别模型；
从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型。
在某些实施方式中，在从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型时，处理器501还可以执行以下步骤：
获取各候选识别模型的识别成功率；
选取各候选识别模型中识别成功率最高的候选识别模型，作为握持识别模型。
在某些实施方式中，在从训练得到的多个候选识别模型中，选取一个候选识别模型作为握持识别模型时，处理器501还可以执行以下步骤：
获取各候选识别模型的识别时长；
选取各候选识别模型中识别时长最短的候选识别模型，作为握持识别模型。
本申请实施例还提供一种存储介质，所述存储介质存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述任一实施例中的握持识别方法，比如：获取被握持时的正样本运动数据，构建用于握持状态识别的正样本集；获取未被握持时的负样本运动数据，构建用于握持状态识别的负样本集；根据正样本集以及负样本集进行模型训练，得到握持识别模型；获取当前状态的运动数据，并根据握持识别模型对当前状态的运动数据进行识别，得到对应当前状态的识别结果，该识别结果包括当前状态为握持状态或当前状态为非握持状态。
本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(readonlymemory，rom，)或者随机存取器(randomaccessmemory，ram)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
需要说明的是，对本申请实施例的握持识别方法而言，本领域普通测试人员可以理解实现本申请实施例的握持识别方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如握持识别方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的握持识别装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种握持识别方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。